基于模糊支持向量机的偏好学习模型

摘要

传统偏好学习模型无法处理不确定数据，而模糊支持向量机能克服不确定数据对学习效果的影响。针对偏好学习中的完全排序问题，提出基于模糊支持向量机的线性排序方法；针对偏好学习中的分类排序问题，提出基于模糊支持向量机的有序回归方法。考虑决策者对分类错误的敏感性，提出一种损失敏感模糊隶属函数。最后，用帕金森疾病严重程度预测案例验证所提方法的有效性和合理性。对比分析结果显示，基于模糊支持向量机的偏好学习模型对预测帕金森患者的症状严重程度有较低的分类错误或较高的分类精度。基于模糊支持向量机的偏好学习模型克服了传统模糊支持向量机的不足，同时考虑了决策过程中的不确定性，拓展了机器学习模型的应用范围。

关键词

模糊支持向量机 / 偏好学习 / 模糊隶属函数 / 线性排序 / 分类排序